Den enorme spredning av data og økende teknologiske kompleksiteter fortsetter å forandre måten næringene opererer og konkurrerer med. I løpet av de siste to årene har 90 prosent av dataene i verden blitt opprettet som et resultat av opprettelsen av 2, 5 quintillion bytes data på daglig basis. Vanligvis referert til som store data, skaper denne raske veksten og lagringen muligheter for innsamling, behandling og analyse av strukturerte og ustrukturerte data.

Etter 3 Vs store data bruker organisasjoner data og analyser for å få verdifull innsikt for å informere bedre forretningsbeslutninger. Bransjer som har tatt bruk av store data inkluderer finansielle tjenester, teknologi, markedsføring og helsevesen, for å nevne noen. Vedtaket av store data fortsetter å omdefinere konkurransedyktig landskap av næringer. Anslagsvis 89 prosent av foretakene tror at de uten en analysestrategi vil risikere å miste konkurransefortrinn i markedet.

Finansielle tjenester har særlig mye vedtatt stor dataanalyse for å informere bedre investeringsbeslutninger med konsistent avkastning. I forbindelse med store data bruker algoritmisk handel enorme historiske data med komplekse matematiske modeller for å maksimere porteføljenes avkastning. Fortsatt vedtak av store data vil uunngåelig forandre landskapet av finansielle tjenester. Men sammen med sine åpenbare fordeler forblir det store utfordringer med hensyn til stor datas evne til å fange opp volumet av data. (For mer, se: The Big Play i store data .)

3 V's of Big Data

De 3 V er grunnleggende for store data: volum, variasjon og hastighet. I motsetning til økende konkurranse, regulatoriske begrensninger og kundenes behov, søker finansinstitusjoner nye måter å utnytte teknologi til å oppnå effektivitet. Avhengig av bransjen kan selskapene bruke visse aspekter av store data for å få en konkurransefortrinn.

Hastighet er hastigheten der data skal lagres og analyseres. New York Stock Exchange tar opp 1 terabyte informasjon hver dag. Innen 2016 vil det bli estimert 18,9 milliarder nettverksforbindelser innen 2016, med omtrent 2,5 tilkoblinger per person på jorden. Finansinstitusjoner kan skille seg fra konkurransen ved å fokusere på effektiv og rask behandling av bransjer.

Store data kan kategoriseres som ustrukturert eller strukturert data. Ustrukturerte data er informasjon som er uorganisert og faller ikke inn i en forhåndsbestemt modell. Dette inkluderer data hentet fra sosiale medier kilder, som hjelper institusjoner samle informasjon om kundens behov. Strukturerte data består av informasjon som allerede forvaltes av organisasjonen i relasjonsdatabaser og regneark.Som et resultat, må ulike former for data styres aktivt for å informere bedre forretningsbeslutninger.

Det økende volumet av markedsdata utgjør en stor utfordring for finansinstitusjoner. Sammen med enorme historiske data må bank- og kapitalmarkeder aktivt administrere ticker-data. På samme måte bruker investeringsbanker og kapitalforvaltningsbedrifter voluminøse data for å ta gode investeringsbeslutninger. Forsikrings- og pensjonsfirmaer har tilgang til tidligere policy- og kravinformasjon for aktiv risikostyring. (For mer, se: Quants: Rocket Scientists of Wall Street .)

Algoritmisk handel

Algoritmisk handel har blitt synonymt med store data på grunn av datamaskineres voksende evne. Den automatiserte prosessen gjør det mulig for dataprogrammer å utføre finansielle handler med hastigheter og frekvenser som en menneskelig næringsdrivende ikke kan. Innenfor de matematiske modellene gir algoritmisk handel handler utført til best mulig pris og rettidig handel, og reduserer manuelle feil på grunn av atferdsfaktorer.

Institusjoner kan mer effektivt begrense algoritmer for å inkorporere massive datamengder, og utnytte store mengder historisk data til backteststrategier, og dermed skape mindre risikable investeringer. Dette hjelper brukerne til å identifisere nyttige data for å holde så vel som lavverdige data for å kaste bort. Gitt at algoritmer kan opprettes med strukturerte og ustrukturerte data, som inneholder sanntidsnyheter, kan sosiale medier og lagerdata i en algoritmisk motor generere bedre handelsbeslutninger. I motsetning til beslutningstaking, som kan påvirkes av ulike kilder til informasjon, menneskelig følelse og forspenning, utføres algoritmiske handler utelukkende på økonomiske modeller og data.

Robo-rådgivere bruker investeringsalgoritmer og massive datamengder på en digital plattform. Investeringer er utformet gjennom Modern Portfolio-teori, som typisk støtter langsiktige investeringer for å opprettholde konsekvent avkastning, og krever minimal samhandling med menneskelige finansielle rådgivere. (For mer, se: Grunnleggende om algoritmisk handel: Konsepter og eksempler .)

Utfordringer

Til tross for den finansielle servicesektoren som øker omfavnelsen av store data, eksisterer det fortsatt betydelige utfordringer i feltet. Viktigst, samlingen av ulike ustrukturerte data støtter bekymringer over personvern. Personlig informasjon kan samles om individets beslutningsprosesser gjennom sosiale medier, e-post og helseposter.

Innenfor finansielle tjenester faller hovedparten av kritikken inn på dataanalyse. Det store volumet av data krever større sofistikering av statistiske teknikker for å oppnå nøyaktige resultater. Spesielt kritiserer kritikere signal til støy som mønstre av falske korrelasjoner, som representerer statistisk robuste resultater rent ved en tilfeldighet. På samme måte peker algoritmer basert på økonomisk teori typisk på langsiktige investeringsmuligheter grunnet trender i historiske data. Effektivt å produsere resultater som støtter en kortsiktig investeringsstrategi er iboende utfordringer i prediktive modeller.

Bunnlinjen

Store data fortsetter å forandre landskapet i ulike bransjer, særlig finansielle tjenester. Mange finansinstitusjoner vedtar store dataanalyser for å opprettholde en konkurransefortrinn. Gjennom struktur og ustrukturert data kan komplekse algoritmer utføre handler ved hjelp av en rekke datakilder. Menneskelig følelse og forspenning kan minimeres gjennom automatisering; handel med stor dataanalyse har imidlertid sitt eget spesifikke utfordringer. De statistiske resultatene som hittil er produsert, har ikke blitt fullstendig omtalt på grunn av feltets relative nyhet. Men som finansiell tjenesteyting mot store data og automatisering, vil sofistikering av statistiske teknikker øke nøyaktigheten.